99.1 金融难点通俗解释：阿尔法（α）和贝塔（β）系数

本文链接：https://blog.csdn.net/weixin_39521144/article/details/144849808

0. 承前

如果想更加全面清晰地了解金融资产组合模型进化论的体系架构，可参考：
0. 金融资产组合模型进化全图鉴

1. 简述：阿尔法（α）和贝塔（β）系数

阿尔法（α）系数：衡量的是投资组合或个股相对于市场的超额回报。它是投资者通过选股、市场时机选择或其他策略所获得的额外收益，不依赖于市场的整体表现。
贝塔（β）系数：衡量的是投资组合或个股相对于整个市场的波动性。它告诉我们当市场上涨或下跌时，股票的价格预计会以多大的幅度变动。贝塔值为1表示股票的波动与市场一致；大于1表示波动更大，小于1则表示波动较小。

2. 比喻：阿尔法（α）和贝塔（β）系数

阿尔法（α）系数 ：类似于车辆的初始速度或基础速度。如果α为正，意味着这辆车从一开始就有额外的速度优势；如果α为负，则表示这辆车从一开始就处于劣势。
贝塔（β）系数 ：类似于车辆的加速度或响应交通变化的能力。如果β为1，意味着这辆车的加速度与交通流一致；如果β大于1，表示这辆车加速更快，对交通变化的反应更为灵敏；如果β小于1，表示这辆车加速较慢，对交通变化的反应较为迟钝；如果β为0，表示这辆车完全独立于交通流，有自己的运动规律；如果β为负数，表示这辆车与交通流反向行驶。

3. 组合情况列举&比喻

Alpha (α) 范围	Beta (β) 范围	简述含义	速度与加速度的比喻
α > 0	β = 1	投资表现优于市场平均水平，且波动性与市场一致。	像一辆车以比平均更快的速度行驶，但加速度与交通流一致。
α < 0	β = 1	投资表现低于市场平均水平，且波动性与市场一致。	像一辆车以比平均更慢的速度行驶，但加速度与交通流一致。
α = 0	β = 1	投资表现等于市场平均水平，且波动性与市场一致。	就像车辆保持与交通流相同的速度和加速度，既不快也不慢。
α > 0	β > 1	投资不仅表现出色，而且波动性大于市场。	像是一辆加速更快的跑车，虽然速度快但也更冒险。
α < 0	β > 1	尽管投资波动性大于市场，但表现仍然低于市场水平。	像是一辆重载卡车，尽管加速更快但速度却比其他车辆慢。
α > 0	0 < β < 1	投资表现优于市场，但波动性小于市场。	像是一辆稳定的小型电动车，速度适中且加速度平缓，但超过了普通车辆。
α < 0	0 < β < 1	投资波动性小于市场，但表现仍然低于市场水平。	像是一辆缓慢行驶的老式汽车，加速度小且速度慢，没能跟上交通流。
α > 0	β = 0	投资完全不受市场影响，并产生了正的超额回报。	像是一架无人机，独立于地面交通，自由飞行并达到目的地。
α < 0	β = 0	投资完全不受市场影响，但产生了负的超额回报。	像是一架失控的无人机，独立于地面交通，但未能到达预期位置。
α > 0	β < 0	投资与市场反向变动，当市场下跌时可以获得正回报。	像是一辆逆向行驶的赛车，在大多数车辆减速时反而加速前进。
α < 0	β < 0	投资与市场反向变动，但在市场下跌时仍然产生负回报。	像是一辆逆向行驶的故障车，即使其他车辆减速，它也继续减速或停止。

4. 实现代码：

import pandas as pd
import statsmodels.api as sm

def calculate_alpha_beta(market_returns, stock_returns):
    """
    通过线性回归计算给定股票相对于市场的阿尔法系数和贝塔系数。
    
    参数:
        market_returns (pd.Series or list): 大盘（市场）的收益率序列
        stock_returns (pd.Series or list): 股票的收益率序列
    
    返回:
        tuple: (alpha, beta) 其中 alpha 是阿尔法系数，beta 是贝塔系数
    """
    # 确保输入是 pandas Series
    if not isinstance(market_returns, pd.Series):
        market_returns = pd.Series(market_returns)
    if not isinstance(stock_returns, pd.Series):
        stock_returns = pd.Series(stock_returns)
    
    # 添加常数项以包含截距（阿尔法）
    X = sm.add_constant(market_returns)
    
    # 创建并拟合 OLS 回归模型
    model = sm.OLS(stock_returns, X).fit()
    
    # 获取回归结果中的参数
    alpha = model.params[0]  # 截距，即阿尔法
    beta = model.params[1]   # 斜率，即贝塔
    
    return alpha, beta